Delete learning_hub/trainer.py

learning_hub/trainer.py

@@ -1,106 +0,0 @@
-# learning_hub/trainer.py
-# (V1.0 - Internal Incremental Trainer)
-
-import os
-import json
-import asyncio
-import traceback
-import numpy as np
-import pandas as pd
-from datetime import datetime
-import xgboost as xgb
-from .schemas import TrainingReport
-
-class InternalTrainer:
-    def __init__(self, r2_service, memory_store):
-        self.r2 = r2_service
-        self.memory_store = memory_store
-        self.local_model_path = "ml_models/layer2/Titan_XGB_V1.json"
-        self.training_lock = asyncio.Lock()
-        print("✅ Learning Hub: Internal Trainer loaded")
-
-    async def run_training_cycle(self):
-        """دورة التدريب الكاملة: تحميل -> تدريب -> تقييم -> نشر"""
-        if self.training_lock.locked(): return
-        
-        async with self.training_lock:
-            print("🏋️‍♂️ [Trainer] Starting internal training session...")
-            try:
-                # 1. تحميل البيانات الجديدة
-                samples = await self.memory_store.load_and_clear_pending_samples()
-                if not samples: return
-
-                df = pd.DataFrame([s.model_dump() for s in samples])
-                X_new = np.array(df['features'].tolist())
-                y_new = np.array(df['label'].tolist())
-
-                # 2. تحميل النموذج الحالي
-                if not os.path.exists(self.local_model_path):
-                    print("❌ [Trainer] Base model not found locally!")
-                    return
-                
-                model = xgb.Booster()
-                model.load_model(self.local_model_path)
-                
-                # 3. تقييم الأداء قبل التدريب (Baseline)
-                dtrain = xgb.DMatrix(X_new, label=y_new)
-                preds_before = model.predict(dtrain)
-                acc_before = ((preds_before > 0.5) == y_new).mean()
-                print(f"   -> Accuracy BEFORE update: {acc_before:.2%}")
-
-                # 4. التدريب التزايدي (Incremental Learning)
-                # نستخدم xgb_model للاستمرار من حيث توقفنا
-                # نستخدم learning_rate منخفض جداً لتفادي النسيان الكارثي
-                params = {
-                    'eta': 0.01,          # تعلم بطيء جداً للحفاظ على المعرفة القديمة
-                    'max_depth': 6,
-                    'objective': 'binary:logistic',
-                    'tree_method': 'hist', # سريع جداً
-                    'eval_metric': 'logloss'
-                }
-                
-                # تدريب لعدد قليل من الجولات (Rounds)
-                new_model = xgb.train(
-                    params, 
-                    dtrain, 
-                    num_boost_round=10, # فقط 10 أشجار جديدة لتصحيح المسار
-                    xgb_model=model     # ✅ السر: البناء فوق النموذج القديم
-                )
-
-                # 5. تقييم الأداء بعد التدريب
-                preds_after = new_model.predict(dtrain)
-                acc_after = ((preds_after > 0.5) == y_new).mean()
-                print(f"   -> Accuracy AFTER update: {acc_after:.2%}")
-
-                # 6. قرار النشر (Safety Check)
-                # نقبل النموذج إذا تحسنت الدقة أو بقيت مستقرة، بشرط ألا تنهار
-                status = "REJECTED"
-                if acc_after >= acc_before - 0.02: # سماحية بسيطة جداً
-                    status = "SUCCESS"
-                    
-                    # حفظ محلياً
-                    new_model.save_model(self.local_model_path)
-                    
-                    # رفع إلى R2 (تحديث النموذج الحي)
-                    with open(self.local_model_path, "rb") as f:
-                        await self.r2.upload_file_async(f, "ml_models/layer2/Titan_XGB_V1.json")
-                    print("   ✅ [Trainer] New model deployed to R2.")
-                else:
-                    print("   ⚠️ [Trainer] New model performed worse. Discarding.")
-
-                # 7. رفع التقرير
-                report = TrainingReport(
-                    model_name="Titan_XGB_Incremental",
-                    samples_count=len(samples),
-                    old_accuracy=acc_before,
-                    new_accuracy=acc_after,
-                    training_status=status,
-                    log_message=f"Trained on {len(samples)} samples. Eta=0.01, Rounds=10."
-                )
-                
-                report_key = f"reports/training_log_{datetime.now().strftime('%Y%m%d_%H%M%S')}.json"
-                await self.r2.upload_json_async(report.model_dump(), report_key)
-
-            except Exception as e:
-                print(f"❌ [Trainer] Cycle failed: {e}")
-                traceback.print_exc()